5.5 数据插补 EMP_impute

数据插补是指当数据集中存在缺失值时，通过算法对这些缺失值进行估计或填充的过程。其目的是在缺失值的位置上提供合理的估计值，从而在后续的数据分析或建模过程中更好地利用这些数据。EMP_impute 模块基于链式随机森林（Chained Random Forests, CRF）算法进行数据插补，该算法比传统的均值或众数插补方法更具科学性，不仅可以用于插补连续型变量，还可以用于插补分类变量。模块EMP_impute 支持对 assay、rowdata 和 coldata 进行数据插补。

5.5.1 插补样本相关数据coldata

组学项目的coldata是指样本相关数据，经常会出现不同程度数据缺失。导致缺失值的常见原因包括：数据采集过程出现错误或遗漏、受试者中途退出研究、技术问题（例如：设备故障或数据传输错误）等。模块EMP_impute可以基于CRF算法对coldata的缺失值进行插补。

🏷️示例：

插补前：coldata存在大量缺失值。

MAE |>
  EMP_assay_extract('geno_ec') |>
  EMP_coldata_extract()

插补后：对coldata的所有缺失值进行插补。

MAE |>
  EMP_assay_extract('geno_ec') |>
  EMP_impute() |>
  EMP_coldata_extract()

也可以只对coldata的部分缺失值进行插补。例如：只对PHQ9和GAD7的缺失值进行插补。

MAE |>
  EMP_assay_extract('geno_ec') |>
  EMP_impute(.formula = PHQ9+GAD7 ~ .) |>
  EMP_coldata_extract()

5.5.2 插补实验数据assay

当assay不存在缺失值时，使用模块EMP_impute进行插补会提示"Assay data has no NA value！"。

MAE |>
  EMP_assay_extract('geno_ec') |>
  EMP_impute(coldata = F,assay = T)

5.5.3 插补特征相关数据rowdata

组学项目的rowdata是指特征相关数据，其缺失值的产生主要是由于数据库注释不完善导致。因此，尽管模块EMP_impute支持使用参数rowdata=T进行rowdata的插补，但是插补的结果难以满足实际需要，因此不建议插补rowdata。

5.5.4 插补整个多组学对象的coldata

用户也可以直接对整个多组学数据容器进行表型数据的插补。需要注意的是，此时对象输出的是MultiAssayExperiment。

MAE |>
  EMP_impute()